深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 33293 篇文献，本页显示第 17441 - 17460 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 17441 | 2025-10-07 |
Systematic Assessment of Deep Learning-Based Predictors of Fragmentation Intensity Profiles
2024-06-07, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.3c00857
PMID:38728051
|
研究论文 | 对六种基于深度学习的肽段碎片强度预测方法进行系统性评估 | 首次对六种主流深度学习肽段碎片强度预测方法进行大规模系统性比较，涵盖多种实验条件和肽段类型 | 仅评估了六种特定方法，未包含所有可能的预测方法 | 评估和比较深度学习方法在质谱数据预测中的性能 | 肽段碎片强度预测方法 | 机器学习 | NA | 质谱分析，MS/MS | 深度学习 | 质谱数据，实验光谱 | 近170万个前体肽段，对应超过1800万实验光谱，来自PRIDE数据库40个独立提交 | NA | Transformer | 皮尔逊相关系数，归一化角度，预测速度 | NA |
| 17442 | 2025-10-07 |
Vocabulary Matters: An Annotation Pipeline and Four Deep Learning Algorithms for Enzyme Named Entity Recognition
2024-06-07, Journal of proteome research
IF:3.8Q1
DOI:10.1021/acs.jproteome.3c00367
PMID:38733346
|
研究论文 | 本研究开发了一种酶命名实体识别标注流程和四种深度学习模型，用于从生物医学文献中自动识别酶实体 | 首次开发酶命名实体识别算法，结合词典匹配和基于规则的关键词搜索构建自动化标注流程 | 标注流程的召回率相对较低(0.76)，虽然精确度接近完美 | 开发酶命名实体识别模型以促进生物医学文献挖掘 | 酶实体在生物医学文献中的识别 | 自然语言处理 | NA | 命名实体识别 | BiLSTM,Transformer | 文本 | 4800多篇全文出版物用于自动标注，526篇手动标注全文出版物用于评估 | NA | BioBERT,SciBERT,BiLSTM,Transformer | F1-score,精确度,召回率 | 标准笔记本电脑 |
| 17443 | 2025-10-07 |
An investigation into augmentation and preprocessing for optimising X-ray classification in limited datasets: a case study on necrotising enterocolitis
2024-Jun, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-024-03107-0
PMID:38652416
|
研究论文 | 本研究探索了在有限数据集条件下通过图像增强和预处理优化X射线分类的方法，以坏死性小肠结肠炎为案例进行研究 | 提出了两种基于颜色对比度和边缘增强的优化流程，首次展示了图像预处理在有限AXR数据集分类任务中的潜力 | 研究基于相对较小的数据集（1090张X射线图像），且仅针对单一疾病进行评估 | 开发在有限医学图像数据集上可靠的计算机辅助诊断模型 | 坏死性小肠结肠炎患者的腹部X射线图像 | 计算机视觉 | 坏死性小肠结肠炎 | X射线成像 | CNN | 医学图像 | 1090张腹部X射线图像，来自364名患者 | NA | ResNet-50 | 准确率 | NA |
| 17444 | 2025-02-20 |
Deep Learning-based U-Mamba Model to Predict Differentiated Gastric Cancer using Radiomics Features from Spleen Segmentation
2024, Current medical imaging
IF:1.1Q3
|
研究论文 | 本研究旨在开发一种基于深度学习的自动化方法，用于分割脾脏CT图像，并构建预测胃癌分化的模型 | 使用U-Mamba深度学习模型实现脾脏CT图像的自动分割，并结合放射组学特征预测胃癌分化程度 | 研究仅纳入了262名患者，样本量相对较小 | 开发自动化脾脏CT图像分割方法并构建胃癌分化预测模型 | 262名病理确诊的胃癌患者 | 数字病理 | 胃癌 | CT成像 | U-Mamba | 图像 | 262名胃癌患者 | NA | NA | NA | NA |
| 17445 | 2025-02-20 |
Deep learning and explainable AI for classification of potato leaf diseases
2024, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2024.1449329
PMID:39963448
|
研究论文 | 本研究提出了一种结合可解释人工智能（XAI）和迁移学习的深度学习方法，用于马铃薯叶部病害的准确分类 | 结合迁移学习和可解释AI技术，提升模型在有限标注数据下的学习能力，并通过Grad-CAM增强模型的可解释性 | 未提及具体的数据集规模限制或模型在其他作物病害上的泛化能力 | 提高马铃薯叶部病害分类的准确性和模型的可解释性 | 马铃薯叶部病害 | 计算机视觉 | NA | 迁移学习，可解释AI（XAI） | 深度学习模型 | 图像 | 使用公开的马铃薯叶部病害数据集，具体样本数量未提及 | NA | NA | NA | NA |
| 17446 | 2025-02-20 |
Author Correction: Deep learning enables fast, gentle STED microscopy
2023-Aug-10, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-023-05222-1
PMID:37563357
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 17447 | 2025-10-07 |
Deep learning enables fast, gentle STED microscopy
2023-06-27, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-023-05054-z
PMID:37369761
|
研究论文 | 本研究利用深度学习技术提升STED显微镜成像效率，通过降低像素驻留时间减轻光漂白和光损伤 | 首次将深度学习应用于STED图像恢复，将像素驻留时间降低1-2个数量级 | NA | 开发能够减轻光损伤并实现长时间成像的STED显微镜增强方法 | 亚细胞结构（特别是线粒体动力学） | 计算机视觉 | NA | STED显微镜 | 深度学习 | 2D和3D显微镜图像 | NA | NA | NA | NA | NA |
| 17448 | 2025-10-07 |
Accurate Prediction of Transcriptional Activity of Single Missense Variants in HIV Tat with Deep Learning
2023-Mar-24, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms24076138
PMID:37047108
|
研究论文 | 本研究开发了一种结合GigaAssay实验和深度学习的方法，用于准确预测HIV Tat蛋白单错义变体的转录活性 | 首次将深度学习框架应用于预测HIV Tat蛋白单错义变体的转录活性，实现了预测与实验活性之间的高相关性（皮尔逊相关系数0.94） | 目前仅针对单错义变体进行评估，尚未扩展到更复杂的双突变等位基因 | 预测HIV Tat蛋白变体的转录活性，以更好地理解艾滋病病理学和治疗 | HIV Tat蛋白的单错义变体 | 机器学习 | 艾滋病 | GigaAssay实验技术 | 深度学习 | 实验活性数据 | 所有单氨基酸Tat变体的错义突变景观 | NA | NA | 皮尔逊相关系数 | NA |
| 17449 | 2025-02-19 |
Bean leaf image dataset annotated with leaf dimensions, segmentation masks, and camera calibration
2025-Apr, Data in brief
IF:1.0Q3
DOI:10.1016/j.dib.2025.111328
PMID:39959655
|
研究论文 | 本文介绍了一个包含6981张普通豆叶图像的数据库，这些图像附有基准标记和已知叶片尺寸的注释 | 提供了一个包含详细注释的叶片图像数据库，包括图像分割、已知区域、基准标记区域、标记姿态、拍摄条件和相机校准信息 | NA | 开发用于叶片尺寸测量及相关问题的深度学习算法 | 普通豆叶 | 计算机视觉 | NA | NA | NA | 图像 | 6981张图像，涉及612片普通豆叶 | NA | NA | NA | NA |
| 17450 | 2025-10-07 |
EfficientNet-resDDSC: A Hybrid Deep Learning Model Integrating Residual Blocks and Dilated Convolutions for Inferring Gene Causality in Single-Cell Data
2025-Mar, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-024-00667-2
PMID:39578307
|
研究论文 | 提出一种结合残差块和空洞卷积的混合深度学习模型EfficientNet-resDDSC，用于从单细胞数据推断基因因果关系 | 在EfficientNet-B0基础结构中引入残差块增强低层特征提取能力，结合深度可分离卷积和空洞卷积扩大感受野而不增加计算量 | NA | 构建基因调控网络以揭示基因间的因果关系 | 单细胞RNA测序数据中的基因调控关系 | 机器学习 | 乳腺癌 | 单细胞RNA测序(scRNA-seq) | CNN | 基因表达数据 | 四个数据集 | NA | EfficientNet-B0, EfficientNet-resDDSC | NA | NA |
| 17451 | 2025-10-07 |
Deep Learning Based Detection of Large Vessel Occlusions in Acute Ischemic Stroke Using High-Resolution Photon Counting Computed Tomography and Conventional Multidetector Computed Tomography
2025-Mar, Clinical neuroradiology
IF:2.4Q2
DOI:10.1007/s00062-024-01471-7
PMID:39585389
|
研究论文 | 本研究探讨光子计数计算机断层扫描（PCCT）与传统多排探测器CT在基于深度学习的急性缺血性脑卒中大血管闭塞检测中的性能差异 | 首次研究PCCT图像质量对深度学习大血管闭塞检测算法性能的影响，并比较了与传统CT的性能差异 | 无法排除灌注缺损的存在，缺乏CT灌注成像数据，M2段闭塞样本量有限 | 评估PCCT与传统CT在深度学习辅助大血管闭塞检测中的性能差异 | 急性缺血性脑卒中患者的大血管闭塞 | 医学影像分析 | 急性缺血性脑卒中 | 计算机断层扫描血管成像（CTA），光子计数计算机断层扫描（PCCT） | 深度学习 | 医学影像 | 443例病例（267例无闭塞，176例闭塞），其中PCCT扫描150例，传统CT扫描293例 | NA | 新型深度学习架构（商业原型） | 灵敏度，特异性 | Syngo.via version VB80软件平台 |
| 17452 | 2025-10-07 |
Enhancing patient representation learning with inferred family pedigrees improves disease risk prediction
2025-Mar-01, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocae297
PMID:39723811
|
研究论文 | 提出ALIGATEHR方法，通过推断家族谱系增强患者表征学习，改善疾病风险预测 | 首次在电子健康记录分析中显式建模推断的家族关系，结合图注意力网络和基于注意力的医学本体表示 | 依赖推断的家族关系而非确证的家族史数据 | 改进电子健康记录中的疾病风险预测 | 电子健康记录中的患者及其推断的家族关系 | 医疗健康数据分析 | 炎症性肠病（克罗恩病和溃疡性结肠炎） | 电子健康记录分析 | 图注意力网络 | 纵向电子健康记录诊断数据 | NA | NA | 图注意力网络 | 疾病风险预测准确性 | NA |
| 17453 | 2025-10-07 |
Enhancing Semantic Segmentation in High-Resolution TEM Images: A Comparative Study of Batch Normalization and Instance Normalization
2025-Feb-17, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada
IF:2.9Q1
DOI:10.1093/mam/ozae093
PMID:39405188
|
研究论文 | 本研究比较了批归一化和实例归一化在透射电子显微镜图像语义分割中的性能差异 | 首次系统比较批归一化和实例归一化在TEM图像语义分割任务中的表现，发现实例归一化具有更优性能 | 研究仅使用了两种网络架构和两个数据集，可能需要更多样化的验证 | 评估不同归一化方法对TEM图像语义分割模型性能的影响 | 高分辨率透射电子显微镜图像 | 计算机视觉 | NA | 透射电子显微镜 | CNN | 图像 | 两个不同的数据集 | NA | U-Net, ResNet | Dice系数, 交并比 | NA |
| 17454 | 2025-02-19 |
Harnessing the synergy of statistics and deep learning for BCI competition 4 dataset 4: a novel approach
2025-Feb-15, Brain informatics
DOI:10.1186/s40708-025-00250-5
PMID:39954182
|
研究论文 | 本文提出了一种结合统计分析和深度学习的创新方法，用于处理BCI竞赛4数据集4中的ECoG信号，以识别手指运动模式 | 结合统计分析预处理数据，并设计了一个新的神经网络模型BC4D4，该模型在BCI竞赛4数据集4上取得了优于现有技术的性能 | NA | 提高从ECoG信号中识别手指运动模式的准确性和效率 | BCI竞赛4数据集4中的ECoG信号 | 机器学习 | NA | ECoG信号处理 | CNN（卷积神经网络）和Dense神经网络 | ECoG信号 | BCI竞赛4数据集4 | NA | NA | NA | NA |
| 17455 | 2025-02-19 |
DeepFlood for Inundated Vegetation High-Resolution Dataset for Accurate Flood Mapping and Segmentation
2025-Feb-15, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-04554-3
PMID:39955285
|
研究论文 | 本文介绍了DeepFlood，一个用于洪水映射和分割的高分辨率数据集，旨在提高洪水范围的快速准确评估 | DeepFlood是一个包含高分辨率载人和无人机航拍图像以及合成孔径雷达（SAR）图像的新数据集，特别标注了淹没植被，这是洪水映射中最具挑战性的区域之一 | NA | 提高洪水范围的快速准确评估，以支持有效的灾害响应、减灾规划和资源分配 | 洪水映射和分割 | 计算机视觉 | NA | 卷积神经网络（CNNs） | CNN | 图像 | NA | NA | NA | NA | NA |
| 17456 | 2025-02-19 |
Exploration of contemporary modernization in UWSNs in the context of localization including opportunities for future research in machine learning and deep learning
2025-Feb-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89916-y
PMID:39955359
|
综述 | 本文探讨了水下无线传感器网络（UWSNs）中的定位技术现代化，包括机器学习与深度学习在未来研究中的机遇 | 本文不仅回顾了UWSNs定位技术的基础与挑战，还探讨了机器学习和深度学习在提升定位过程中的潜在贡献，并提出了未来研究方向 | 本文主要基于理论分析和模拟评估，缺乏实际应用场景的验证 | 提升水下无线传感器网络中的定位技术，以支持环境监测、灾害管理、军事监视等应用 | 水下无线传感器网络（UWSNs）中的节点定位 | 机器学习 | NA | 机器学习（ML）、深度学习（DL） | NA | 模拟数据 | NA | NA | NA | NA | NA |
| 17457 | 2025-02-19 |
Enhancing pediatric congenital heart disease detection using customized 1D CNN algorithm and phonocardiogram signals
2025-Feb-15, Heliyon
IF:3.4Q1
DOI:10.1016/j.heliyon.2025.e42257
PMID:39959496
|
研究论文 | 本研究提出了一种定制的1D卷积神经网络（1D-CNN），用于将心音图（PCG）信号分类为正常或异常，为先天性心脏病（CHD）的诊断提供了一种自动化且高效的解决方案 | 结合现代信号处理与深度学习，提出了一种定制的1D-CNN模型，用于CHD的自动检测，显著提高了诊断的准确性和可靠性 | 数据集变异性和噪声问题仍然存在，未来需要扩展到多类分类并评估在更广泛医疗问题上的表现 | 提高先天性心脏病的早期检测效率，提供一种自动化诊断方法 | 心音图（PCG）信号 | 数字病理 | 先天性心脏病 | 低通和高通滤波（60-650 Hz）、重采样、降噪、数据增强技术（分块、填充、音高变换） | 1D-CNN | 信号 | 本地儿科PCG信号和公开可访问的数据集 | NA | NA | NA | NA |
| 17458 | 2025-02-19 |
Optimal surface defect detector design based on deep learning for 3D geometry
2025-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-88112-2
PMID:39952973
|
研究论文 | 本文提出了一种基于深度学习的3D几何表面缺陷检测器设计方法，用于钢铁制造环境中的自动检测 | 通过几何变换生成数据集，并提出了基于性能的模型优化算法，解决了现有方法中图像数据曲率问题和2D产品的局限性 | 研究仅针对3D几何产品，未涉及其他类型的钢铁产品 | 开发一种适用于钢铁制造环境的自动表面缺陷检测方法 | 钢铁制造环境中的3D几何产品 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 17459 | 2025-02-19 |
Model-constrained deep learning for online fault diagnosis in Li-ion batteries over stochastic conditions
2025-Feb-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-56832-8
PMID:39952987
|
研究论文 | 本文采用深度学习方法开发了一种适用于锂离子电池在不可预测条件下运行的在线故障诊断网络 | 网络集成了电池模型约束，并采用了一个框架来管理随机系统的演化，从而实现故障的实时确定 | NA | 探索深度学习在电池实时预测和诊断中的应用，以提高电池安全性和经济效益 | 锂离子电池 | 机器学习 | NA | 深度学习 | NA | 电池运行数据 | 来自515辆车的1820万条有效数据 | NA | NA | NA | NA |
| 17460 | 2025-02-19 |
Multi-step ahead forecasting of daily streamflow based on the transform-based deep learning model under different scenarios
2025-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-89837-w
PMID:39953056
|
研究论文 | 本文介绍了一种基于相对位置编码增强的Informer模型（Rel-Informer），用于多步径流预测，并与标准Informer、Transformer和LSTM模型进行比较 | 提出了相对位置编码增强的Informer模型（Rel-Informer），并在不同情景下验证其多步径流预测能力 | 区域建模的精度低于个体建模，尽管通过微调有所改善 | 研究多步径流预测的深度学习模型在不同情景下的表现 | 径流预测 | 机器学习 | NA | 深度学习 | Rel-Informer, Informer, Transformer, LSTM | 径流数据 | 使用公开的CAMELS数据集进行训练和验证 | NA | NA | NA | NA |